Stable Video Diffusion是Stability AI推出的图像到视频生成模型，能够把一张静态图片变成一段流畅的短视频。相比在线服务，本地部署不仅免费，而且不限制生成次数，隐私性也更好。ComfyUI作为目前最流行的节点式AI绘画与视频工具，对SVD的支持相当完善，通过灵活的节点连接和显存管理选项，即使是中等配置的显卡也能顺利跑起来。本文将从环境准备、模型下载、工作流搭建到显存优化，完整走一遍SVD的本地部署流程。
一、环境准备与ComfyUI安装
ComfyUI支持便携版包和手动安装两种方式。对于新手来说，强烈推荐官方的Windows便携版整合包，解压即可使用，自带Python运行环境和PyTorch，省去了配置CUDA版本的麻烦。到ComfyUI的GitHub发布页面下载ComfyUI_windows_portable压缩包，解压到一个纯英文路径的目录下，比如D:\ComfyUI_windows_portable。注意路径中不要包含中文和空格，否则加载模型时容易出现奇怪的报错。
如果你的显存大于6GB，直接运行run_nvidia_gpu.bat即可。低显存用户可以运行run_nvidia_gpu_lowvram.bat，它会以低显存模式启动，后面会详细说明这个模式的作用。启动后浏览器会自动打开127.0.0.1:8188，看到节点编辑界面就说明环境已经就绪。
手动安装适合Linux服务器或有特殊版本需求的用户，核心步骤是创建Python虚拟环境、安装PyTorch对应CUDA版本，然后通过pip install -r requirements.txt安装依赖。无论哪种方式，建议显卡驱动保持较新版本，SVD对CUDA运算的依赖比较重，老驱动可能出现算子不支持的错误。
二、SVD模型下载与文件放置
ComfyUI支持两种SVD模型格式，分别是原版的扩散模型加VAE组合，以及社区整理的单文件版本。推荐从HuggingFace下载官方模型，地址是stabilityai的stable-video-diffusion-img2vid项目。需要下载的核心文件包括svd.safetensors（完整版，效果最好）或svd_xt.safetensors（扩展版，帧数更多但更吃显存），以及配套的VAE文件svd_vae.safetensors。
下载完成后，文件放置路径很关键，放错了ComfyUI就找不到模型。具体目录结构如下：
ComfyUI_windows_portable/
└── ComfyUI/
├── models/
│ ├── checkpoints/ # svd.safetensors 放这里
│ └── vae/ # svd_vae.safetensors 放这里
└── custom_nodes/ # 后续扩展节点放这里如果HuggingFace直连速度慢，可以使用镜像站点加速下载。模型文件体积较大，svd.safetensors大约9GB多，svd_xt版本更大，下载时确保磁盘空间充足。下载完成后重启ComfyUI，在Load Checkpoint节点的下拉列表中就能看到模型了。
三、图生视频工作流搭建
SVD本质上是图生视频模型，没有原生的文生视频能力，标准玩法是先用SDXL生成一张图，再把这张图喂给SVD生成动态视频。如果嫌搭建流程麻烦，可以直接在ComfyUI菜单里选择模板：选择Browse Templates，在Video分类中找到Image to Video with SVD，加载官方预置工作流，这个工作流已经把所有节点连接好了。
如果想自己理解每个节点的作用，核心链路是这样的：Load Checkpoint节点加载svd模型，同时输出MODEL和VAE两个接口；Load Image节点读取初始图片；Image Only Checkpoint Loader这类节点会把CLIP Vision也加载进来，因为SVD依赖视觉编码器理解输入图像。Video Linear CFG Guidance节点用于线性CFG引导，SVD在CFG值固定时画面容易崩坏，官方建议开启线性引导，基础CFG设在2到2.5之间，最小CFG降到1左右，这样生成的动态更自然。
采样器节点上，SVD推荐使用euler采样器，调度器选karras，步数20到25步就有不错的效果。Video Combine节点负责把生成的帧序列合成视频，输出格式可以选mp4或者gif。帧数方面标准模型生成14帧，xt版本可以生成25帧，帧率设置成6到8帧每秒比较符合SVD的训练参数。整段链路跑通后，你会得到一段大约2到4秒的短视频。
# 采样参数参考设置 sampler_name = "euler" scheduler = "karras" steps = 25 # 步数20-25即可，多了提升有限 cfg = 2.0 # CFG过高会导致画面闪烁 min_cfg = 1.0 # 线性引导的最低CFG width = 1024 # 建议不超过1024 height = 576 length = 14 # 标准版14帧，xt版25帧
四、显存优化：低配置显卡的生存指南
显存不足是SVD部署中最常见的拦路虎。SVD是视频模型，采样过程中要同时在显存里维护所有帧的潜空间数据，1024x576分辨率下跑14帧，峰值显存轻松突破10GB。好在ComfyUI提供了多层优化手段，合理组合之后，8GB甚至6GB显卡都能流畅运行。
第一层优化是低显存模式，也就是启动时选择lowvram的bat脚本，或在命令行加上--lowvram参数。这个模式会把模型权重分块加载到显存，用到哪块搬哪块，代价是推理速度变慢，但显存占用可以压缩到4GB左右。如果显存更紧张，还有--novram参数，把权重主要放在内存中，2GB到4GB的老卡也有机会跑，速度会明显变慢。启动参数还可以加--cache-classic来改善节点缓存策略，配合低显存模式效果更好。
第二层优化是降低分辨率和帧数。把生成的宽高从1024x576降到768x432，显存占用几乎是线性下降的，画质损失在视频场景里其实不算明显。帧数方面，14帧是标准模型的训练上限，强行调高不仅爆显存，画面质量也会劣化，想要更长的视频应该用svd_xt模型，或者采用首尾帧衔接、分段生成再拼接的思路。
第三层是VAE解码优化。视频VAE解码是显存杀手之一，因为解码时要一次性处理全部帧的高分辨率像素数据。在VAE Decode节点上启用Tiled（分块）模式，或者使用支持Tiled VAE Decode的节点，把解码过程拆成小块分批处理，能显著降低峰值显存，几乎不影响画质。此外，如果你的ComfyUI版本支持FP8量化加载，可以在模型加载节点上选择fp8_e4m3fn格式，权重体积直接减半，8GB显卡跑1024x576也会轻松很多。
五、常见报错与排坑
部署过程里几个高频问题值得提前了解。一是CUDA out of memory报错，这几乎都是分辨率、帧数或加载模式的问题，按上一节的方法逐层排查，优先降分辨率再考虑切换lowvram模式。二是生成视频只有静态画面没有动态，通常是CFG设置过高或者初始图片对比度太低，把CFG降到2以下并检查线性引导是否开启。三是合成视频时提示缺少ffmpeg，Video Combine节点依赖ffmpeg来编码mp4，需要在环境变量中配置好ffmpeg路径，或者直接把ffmpeg.exe放到ComfyUI的根目录下。
另外提醒一点，SVD对输入图片的比例有偏好，接近16:9或源数据常见比例的图片效果最好，极端竖图或方图可能出现构图漂移。生成前先用裁剪工具把图片调整到1024x576这类标准比例，能省去不少反复调试的时间。所有环节都跑顺之后，就可以安心享受本地无限量生成AI视频的自由了。
Stable Video DiffusionComfyUI显存优化修改时间：2026-09-08 09:59:09